[pt] Nos últimos anos, vem crescendo o interesse acerca da predição do comportamento do mercado de capitais, tanto por parte dos investidores quanto dos pesquisadores. Apesar do grande número de publicações tratando esse problema, predizer com eficiência futuras tendências e desenvolver estratégias de negociação capazes de traduzir boas predições em lucros são ainda grandes desafios. A dificuldade em realizar tais tarefas se deve tanto à não linearidade e grande volume de ruídos presentes nos dados do mercado, quanto à falta de sistemas que possam avaliar com propriedade a qualidade das predições realizadas. Nesse trabalho, são realizadas predições de séries temporais visando auxiliar o investidor tanto em operações de compra e venda, como em Pairs Trading. Além disso, as predições são feitas considerando duas diferentes periodicidades. Uma predição interday, que considera apenas dados diários e tem como objetivo a predição de valores referentes ao presente dia. E uma predição intraday, que visa predizer valores referentes a cada hora de negociação do dia atual e para isso considera também os dados intraday conhecidos até o momento que se deseja prever. Para ambas as tarefas propostas, foram testadas três ferramentas de predição, quais sejam, Regressão por Mínimos Quadrados Parciais, Regressão por Vetores de Suporte e Redes Neurais Artificiais. Com o intuito de melhor avaliar a qualidade das predições realizadas, é proposto ainda um trading system. Os testes foram realizados considerando ativos das companhias mais negociadas da BM e FBOVESPA, a bolsa de valores oficial do Brasil e terceira maior do mundo. Os resultados dos três preditores são apresentados e comparados a quatro benchmarks, bem como com a solução ótima. A diferença na qualidade de predição, considerando o erro de predição ou as métricas do trading system, são notáveis. Se quando analisado apenas o Erro Percentual Absoluto Médio os preditores propostos não mostram uma melhora significativa, quando as métricas do trading system são consideradas eles apresentam um resultado bem superior. O retorno anual do investimento em alguns casos atinge valor superior a 300 por cento. / [en] The interest of both investors and researchers in stock market behavior forecasting has increased throughout the recent years. Despite the wide number of publications examining this problem, accurately predicting future stock trends and developing business strategies capable of turning good predictions into profits are still great challenges. This is partly due to the nonlinearity and noise inherent to the stock market data source, and partly because benchmarking systems to assess the forecasting quality are not publicly available. Here, we perform time series forecasting aiming to guide the investor both into Pairs Trading and buy and sell operations. Furthermore, we explore two different forecasting periodicities. First, an interday forecast, which considers only daily data and whose goal is predict values referring to the current day. And second, the intraday approach, which aims to predict values referring to each trading hour of the current day and also takes advantage of the intraday data already known at prediction time. In both forecasting schemes, we use three regression tools as predictor algorithms, which are: Partial Least Squares Regression, Support Vector Regression and Artificial Neural Networks. We also propose a trading system as a better way to assess the forecasting quality. In the experiments, we examine assets of the most traded companies in the BM and FBOVESPA Stock Exchange, the world s third largest and official Brazilian Stock Exchange. The results for the three predictors are presented and compared to four benchmarks, as well as to the optimal solution. The difference in the forecasting quality, when considering either the forecasting error metrics or the trading system metrics, is remarkable. If we consider just the mean absolute percentage error, the proposed predictors do not show a significant superiority. Nevertheless, when considering the trading system evaluation, it shows really outstanding results. The yield in some cases amounts to an annual return on investment of more than 300 per cent.

[pt] Esta dissertação de mestrado analisa os efeitos de previsão de séries temporais com redes neurais em conjunto com a técnica de poda, denominada de Regularização Bayesiana. Utilizam-se diversas séries simuladas cujo processo gerador é de fato linear para comparar as previsões feitas por meio de modelos auto-regressivos lineares e redes neurais. Apresenta-se,ao final, uma comparação entre os modelos citados acima, segundo à eficiência preditiva de cada um. / [en] This paper studies the performance of neural networks estimated with Bayesian regularization to model and forecast time series where the data generations process is in fact linear. A simulation experiment is carried out to compare the forecast made by linear autoregressive models and neural networks.

[pt] As estruturas civis durante toda a sua vida útil estão sujeitas a diversas ações de deterioração, desgastes ou corrosão de seus membros, que podem gerar variações em suas características físicas. Estas ações podem causar danos ao seu funcionamento, podendo chegar até ao colapso, em casos mais extremos. Além disso, o avanço tecnológico que permite a concepção de estruturas cada vez mais esbeltas, e que geram assim possíveis vibrações excessivas, elevam o monitoramento estrutural a um patamar de extrema importância e atenção na ótica dos gestores desses sistemas. Particularmente, no caso de obras de infraestrutura como pontes e passarelas, as grandes dimensões são características significativas que tornam as práticas de monitoramento e inspeção mais difíceis. Dessa forma, com o objetivo auxiliar no monitoramento estrutural e direcionar inspeções visuais, diversos métodos de identificação de danos são estudados com base nas características dinâmicas das estruturas, como as frequências naturais e os modos de vibração. A revisão de literatura, porém, demonstra que há uma dificuldade na aplicação desta identificação em estruturas mais complexas de grande porte. Assim, este trabalho visa estudar esta dificuldade e propor uma solução baseada na construção de um índice, composto pelos modos de vibração. Além disso, através da aplicação de algoritmos de aprendizado de máquina e de reconhecimento de padrões, como as Redes Neurais Artificiais (RNAs), propõese aumentar a eficiência do processo de localização espacial e quantificação dos danos. Em seguida, a metodologia proposta é, então, aplicada em um modelo de passarela metálica inspirado em uma estrutura real presente na região do Terminal Centro Olímpico da cidade do Rio de Janeiro – RJ. A identificação de danos é estudada através da aplicação do índice proposto, incorporando as redes neurais e avaliando do impacto da variação dos parâmetros da RNA na eficiência global da detecção. / [en] Civil structures are subjected to different deterioration and corrosion actions throughout their entire service life, which can generate variations in their physical characteristics. These actions can cause damage to its functioning, and possibly leading to collapse in more severe cases. In addition, technology development which allows the design of increasingly slender structures, can produce excessive vibrations, which elevates the importance ofstructural monitoring to a higher level from the perspective of infrastructure managers. Particularly, in the case of bridges and walkaways, due to their large dimensions make monitoring and inspection even more difficult. Thus, with the aim of providing methods to assist in structural monitoring and facilitate visual inspections, several damage identification methods are investigated, which are based on structures dynamic characteristics, such as natural frequencies and mode shapes. The conducted literature review revealed that there is a difficulty in applying these identification methods in large-scale and complex structures. Thus, this research aims to study these barriers and propose a solution based on the development of a new damage index based on the structure s mode shapes. Furthermore, through the application of machine learning algorithms and pattern recognition, such as Artificial Neural Networks (ANN), it is proposed to increase the efficiency of the damage identification and quantification process. Then, the proposed methodology is tested numerically on a steel footbridge model inspired by a real structure located in the region of the Olympic Center Terminal, in the city of Rio de Janeiro – RJ. The damage identification method is studied through the application of the proposed damage index, incorporating the neural network and assessing the impact of ANNs parameters variation in the global efficiency of the damage detection method.

[pt] Os veículos automatizados devem trafegar em determinado ambiente detectando, planejando e seguindo uma trajetória segura. De modo a se mostrarem mais seguros que seres humanos, eles devem ser capazes de executar essas tarefas tão bem ou melhor do que motoristas humanos sob diferentes condições críticas. Uma parte essencial no estudo de veículos automatizados o desenvolvimento de modelos representativos que sejam precisos e computacionalmente eficientes. Assim, para lidar com esses problemas, o presente trabalho aplica métodos de inteligência computational e identificação de sistemas para realizar modelagem de veículos e controle de rastreamento de trajetória. Primeiro, arquiteturas neurais são usadas para capturar as características do pneu na interação entre a dinâmica lateral e longitudinal do veículo, reduzindo o custo computacional em controladores preditivos. Em segundo lugar, uma combinação de modelos caixa-preta é usada para melhorar o controle preditivo. Em seguida, uma abordagem híbrida combina modelos baseados na física e orientados por dados com modelagem de caixa-preta das discrepâncias. Essa abordagem é escolhida para melhorar a precisão da modelagem de veículos, propondo um modelo de discrepância para capturar incompatibilidades entre modelos de veículos e dados medidos. Os resultados são mostrados quando os métodos propostos são aplicados a sistemas com dados simulados/reais e comparados com abordagens encontradas na literatura, mostrando um aumento de precisão (até 40 por cento) em termos de métricas baseadas em erro, com menor esforço computacional (redução de até 88 por cento) do que os controladores preditivos convencionais. / [en] Automated vehicles must travel in a given environment detecting, planning, and following a safe path. In order to be safer than humans, they must be able to perform these tasks as well or better than human drivers under different critical conditions. An essential part of the study of automated vehicles is the development of representative models that are accurate and computationally efficient. Thus, to cope with these problems, the present work applies artificial neural networks and system identification methods to perform vehicle modeling and trajectory tracking control. First, neural architectures are used to capture tire characteristics present in the interaction between lateral and longitudinal vehicle dynamics, reducing computational costs for predictive controllers. Secondly, a combination of black-box models is used to improve predictive control. Then, a hybrid approach combines physics-based and data-driven models with black-box modeling of the discrepancies. This approach is chosen to improve the accuracy of vehicle modeling by proposing a discrepancy model to capture mismatches between vehicle models and measured data. Results are shown when the proposed methods are applied to systems with simulated/real data and compared with approaches found in the literature, showing an increase of accuracy (up to 40 percent) in terms of error-based metrics while having lesser computational effort (reduction by up to 88 percent) than conventional predictive controllers.

[pt] Este trabalho apresenta um projeto mecânico de um robô lagartixa pneumática, capaz de se locomover em superfícies inclinadas em relação ao solo, através apenas de atuadores lineares que utilizam o ar comprimido como fonte de energia. Como parte fundamental do projeto mecânico neste trabalho, um sistema de garra é desenvolvido gerando vácuo mecanicamente, para haver uma economia de consumo energético no robô em comparação com os acessórios comerciais geralmente utilizados para esta tarefa de fixação. Com o protótipo de conceito fabricado e montado, o mesmo é submetido a uma bateria de testes com o intuito de posteriormente aplicar os dados obtidos em uma rede neural artificial, visando o aprendizado computacional dos movimentos do robô e, assim, sua otimização de velocidade em determinada sequência de movimentação. Após o treinamento desta rede neural, o protótipo é submetido a novos experimentos para verificar a eficiência do treinamento realizado e qual o impacto real obtido no robô. Finalmente, com a utilização de um sistema de câmeras, os deslocamentos do robô em diversas situações distintas são rastreados, visando gerar gráficos comparativos e analisar a repetibilidade e confiabilidade do sistema. / [en] This work presents the mechanical design of a pneumatic gecko robot, capable of moving on inclined surfaces with respect to the ground, using only linear actuators with compressed air as a source of energy. As a fundamental part of the mechanical design in this work, a claw system is developed by generating vacuum mechanically, significantly reducing the energy consumption of the robot when compared to commercial accessories generally used for this clamping task. With the concept prototype manufactured and assembled, a series of tests are conducted to later apply the collected data in an artificial neural network. This network allows the computational learning of the robot movements, and thus its speed optimization for a certain defined gait. After training this neural network, the prototype is submitted to new experiments to verify the efficiency of the training performed and the real impact obtained on the robot. Furthermore, with the use of a camera system, the movements of the robot along several different situations are tracked, generating comparative graphs to analyze the repeatability and reliability of the system.

[pt] O consumo de combustível em empresas do setor de transporte ferroviário representa um dos maiores gastos operacionais e uma das maiores preocupações em termos de emissões de poluentes. O alto consumo em combustíveis acarreta também em uma alta representatividade na matriz de escopo de emissões (mais de 90 por cento das emissões de ferrovias são provenientes do consumo de combustível fóssil). Com o viés de se buscar uma constante melhora operacional, estudos vêm sendo realizados com a finalidade de se propor novas ferramentas na redução do consumo de combustível na operação de um trem de carga. Nesse ramo, destaca-se o aperfeiçoamento dos parâmetros de condução de um trem que são passíveis de calibração com o objetivo de reduzir o consumo de combustível. Para chegar a esse fim, o presente trabalho implementa dois modelos de aprendizado de máquina (machine learning) para prever a eficiência energética de um trem de carga, são eles: floresta randômica e redes neurais artificiais. A floresta randômica obteve o melhor desempenho entre os modelos, apresentando uma acurácia de 91 por cento. Visando calcular quanto cada parâmetro influencia no modelo de previsão, este trabalho também utiliza técnica de efeitos acumulados locais em cada parâmetro em relação à eficiência energética. Os resultados finais mostraram que, dentro dos quatro parâmetros de calibração analisados, o indicador de tração por tonelada transportada apresentou maior representatividade em termos de impacto absoluto na eficiência energética de um trem de carga. / [en] Fuel consumption in companies in the rail transport sector represents one of the largest operating expenses and one of the biggest concerns in terms of pollutant emissions. The high fuel consumption also entails a high representation in the emissions scope matrix (more than 90 percent of railroad emissions come from fossil fuel consumption). Aiming to seek constant operational improvement, numerous studies have been carried out proposing new tools to reduce fuel consumption in the operation of a freight train. In this way, it is important to highlight the improvement of train driving parameters that can be calibrated to reduce fuel consumption. To accomplish this goal, the present work implements two machine learning models to predict the energy efficiency of a freight train: random forest and artificial neural networks. The random forest achieves the best performance against the models, with an accuracy of 91 percent. To calculate how much each parameter influences the prediction model, this work also uses the technique of accumulated local effects for each parameter related to energy efficiency. The final results show that, within the four analyzed calibration parameters, the traction per transported ton indicator presented greater representation in terms of absolute impact on the energy efficiency of a freight train.